SkipTrack: A Bayesian Hierarchical Model for Self-tracked Menstrual Cycle Length and Regularity in Large Mobile Health Cohorts
SkipTrack提出贝叶斯分层模型，处理移动健康数据中月经周期追踪缺失，准确估计周期长度与规律性，并在苹果女性健康研究中验证了年龄、BMI和种族的影响。
2025-08-07 stat.AP
A Bayesian framework for case-cohort Cox regression: application to dietary epidemiology
病例队列研究设计通过仅收集整个队列的一小部分的某些昂贵的协变量来绕过资源限制。加权Cox回归是Cox模型中分析病例队列数据最广泛使用的方法，但效率低下。基于多重插补和非参数极大似然的替代方法分别遭受不相容性和计算问题。我们介绍了一种新的贝叶斯框架的情况下，队列Cox回归，避免了上述问题。用户可以包括辅助变量，以帮助预测未测量的昂贵的协变量与他们选择的预测模型，而讨厌的参数的模型是非参数化指定和集成。可以使用基于伪边缘MCMC算法的程序来进行后验采样。该方法可以有效地扩展到大型复杂的数据集，正如我们的应用所证明的那样：使用EPIC-Norfolk研究调查饱和脂肪酸与2型糖尿病之间的关联。作为我们分析的一部分，我们还开发了一种新的方法来处理Cox模型中的成分数据，与以前的研究相比，得到了更可靠和更可解释的结果。我们的方法的性能与广泛的模拟说明。用于生成本文结果的代码可以在https://github.com/andrewyiu/bayes_cc上找到。
2021-09-09 stat.AP stat.ME
A Bayesian approach for unadjudicated events in cardiovascular disease cohort studies
针对队列研究中ICD-9编码事件不准确的问题，提出利用相关队列ARIC构建贝叶斯联合模型与贝叶斯加性回归树，生成未裁定事件的后验预测分布，并通过模拟和实际数据验证。
2025-06-23 stat.ME
Systematic simulation of age-period-cohort analysis: Demonstrating bias of Bayesian regularization
本研究通过系统模拟评估年龄-时期-队列分析中的三种贝叶斯正则化模型，发现随机游走模型在多数情况下能较好恢复参数，而其他模型存在将队列效应线性成分推向零的偏差。
2023-10-11 stat.ME
Combining longitudinal cohort studies to examine cardiovascular risk factor trajectories across the adult lifespan
University of Florida（佛罗里达大学）；Northwestern University Feinberg School of Medicine（西北大学芬伯格医学院）；Boston University Chobanian & Avedisian School of Medicine（波士顿大学乔巴尼安和阿维迪西安医学院）
本文提出一种统计框架，结合多个大型纵向心血管队列数据，研究成年生命全程的 cardiovascular 风险因素轨迹，采用贝叶斯分层多变量方法，揭示年龄相关的风险因素变化，强调心血管预防的关键时期。
2026-05-12 stat.AP stat.ME
Long-term memory effects of an incremental blood pressure intervention in a mortal cohort
本研究提出一种基于扩展G-formula的贝叶斯半参数估计方法，评估降低收缩压干预对情景记忆的长期影响，发现该干预对记忆无显著效应。
2024-03-20 stat.AP
Validation of a Bayesian Learning Model to Predict the Risk for Cannabis Use Disorder
研究在MLS和CHDS两个纵向队列中外部验证基于贝叶斯逻辑回归的Add Health CUD风险预测模型，显示其区分度与校准良好，可用于识别高风险青年大麻使用者。
2023-06-12 stat.AP
Bayesian Network Modeling of Causal Influence within Cognitive Domains and Clinical Dementia Severity Ratings for Western and Indian Cohorts
本研究利用贝叶斯网络和有向无环图分析ADNI和LASI数据集，揭示了西方与印度人群在临床痴呆评分六个认知领域因果关系及边强度上的显著差异，为跨人群痴呆干预提供依据。
2024-08-16 cs.AI cs.LG q-bio.NC
Bayesian Modelling of Lexis Mortality Data
在这项工作中，我们提出了一个空间的方法来建模和调查死亡率数据引用的Lexis结构。我们分解成两个可解释的组成部分的死亡率的力量：马尔可夫随机场，光滑的时间，年龄和队列，解释了主要的死亡率模式;和一个次要的组成部分，独立的冲击，占额外的非光滑死亡率。推理是基于分层贝叶斯方法与马尔可夫链蒙特卡罗计算。我们提出了一个广泛的应用程序，从人类死亡率数据库的数据约37个国家。对于每个国家，估计了额外死亡率的主要平滑面和次要面。通过各精密度参数的估计值评价各组分的重要性。对于几个国家，我们发现了一个带的额外死亡率在整个时间域的二级表面，在60和90岁之间的年龄间隔，具有轻微的正斜率。该带在人口最多的国家很重要，但也可能存在于其他国家。该带代表老年人口的大量额外死亡率，否则与年龄、年份和群组的规律和平稳动态不相容。
2018-10-22 stat.AP
Addressing complex structures of measurement error arising in the exposure assessment in occupational epidemiology using a Bayesian hierarchical approach
针对职业流行病学暴露评估中复杂的测量误差结构，本研究提出贝叶斯分层方法，可适配多类误差与依赖关系，经铀矿工人队列验证和模拟研究证实能校正复杂误差导致的估计偏倚。
2025-03-21 stat.AP
Bayesian feature selection in joint models with application to a cardiovascular disease cohort study
本文提出一种改进的贝叶斯稀疏组选择先验，用于联合模型中风险因素组及组内轨迹特征的双层选择，并通过模拟和ARIC队列识别与CVD死亡相关的重要风险因素及特征。
2024-12-01 stat.ME
Assimilated LVEF: A Bayesian technique combining human intuition with machine measurement for sharper estimates of left ventricular ejection fraction and stronger association with outcomes
心脏病专家测量收缩性心力衰竭的主要工具是左心室射血分数（LVEF）。经过培训的心脏病专家报告了LVEF的视觉和机器引导测量，但仅在分析中使用该机器引导测量。我们使用贝叶斯技术结合PARTNER-IIA试验（一组接受生物主动脉瓣治疗的中度风险主动脉瓣狭窄患者）的视觉和机器引导估计，发现我们的联合估计减少了测量误差，并改善了LVEF与1年复合终点之间的相关性。
2018-05-07 stat.AP
Correlation-preserving mean plausible values as a basis for prediction in the context of Bayesian structural equation modeling
当进行贝叶斯结构方程建模（BSEM）时，可以计算平均合理值。由于平均似然值不保留因子间相关性，因此它们产生的路径系数与模型的估计路径系数不同。由于可能感兴趣的是在BSEM估计的合理值的水平上执行完全相同的预测，因此提出了保持相关性的平均合理值。在附录中给出了一个计算相关保持平均似然值的例子，并给出了相应的语法。
2022-08-24 stat.AP
Bayesian estimation for conditional probabilities associated to directed acyclic graphs: study of hospitalization of severe influenza cases
本文提出基于Dirichlet-多项分布贝叶斯推断与模拟技术的有向无环图概率估计框架，用于建模重症流感住院患者的转移路径，以量化不确定性并优化医院资源规划与临床决策。
2025-04-08 stat.AP
A Nonparametric Bayesian Design for Drug Combination Cancer Trials
我们提出了一种适应性设计的早期药物联合癌症试验的目标是估计最大耐受剂量（MTD）。非参数贝叶斯模型，使用截短到部分有序剂量组合集合的β先验，用于描述剂量限制性毒性（DLT）的概率。使用改良的连续再评估方案估计连续队列患者之间的剂量分配。DLT的更新概率是用吉布斯采样器计算的，该吉布斯采样器采用加权机制来校准数据对先验的影响。在试验结束时，我们根据我们提出的算法推荐一种或多种剂量组合作为MTD。设计运行特性表明，我们的方法是与现有的方法相媲美。作为一个例子，我们将我们的方法应用于CB-839和吉西他滨的I期临床试验。
2019-10-21 stat.AP
Bayesian Network Enhanced with Structural Reliability Methods: Application
增强的贝叶斯网络（eBN）的方法中描述的配套文件，便于工程系统的可靠性和风险的评估时，系统的信息在时间上的演变。我们提出的应用程序的eBN（a）的结构系统的生命周期可靠性的评估，（b）进行测量，在该结构系统的决策优化，和（c）的风险评估的基础设施系统受到自然灾害和恶化的组成结构。在所有应用中，在不同的时间点进行系统性能或危险的观察，并且eBN有效地将这些观察包括在分析中，以始终提供系统的更新的概率模型。
2012-03-27 stat.AP
Smoothing for age-period-cohort models: a comparison between splines and random process
本研究揭示了APC模型平滑处理中频率学派惩罚样条法与贝叶斯学派随机过程法的理论关联，通过模拟与真实数据验证二者样本内预测相近，指出贝叶斯随机过程因更完整捕捉不确定性在样本外预测中更具优势。
2023-12-15 stat.ME
Sequential Bayesian diagnosis and prognosis of structural deterioration from measured structural responses
Bundesanstalt für Materialforschung und -prüfung (BAM)（联邦材料研究与测试研究所）
本文提出一个序贯贝叶斯框架，通过扩展BUS方法实现基于实测响应的结构退化诊断、预后与可靠性预测，并在导管架结构疲劳退化案例中验证其有效性。
2026-09-29 stat.AP
Bayesian Structural Identification using Gaussian Process Discrepancy Models
近年来，基于高斯过程（GP）模型的贝叶斯模型更新受到关注，它结合了基于核的GP来提供增强的保真度响应预测。虽然大多数核函数在训练数据集中提供了很高的拟合精度，但它们的样本外预测可能非常不准确。本文研究了这个问题，重新制定了一致的概率基础上的问题，审查核协方差函数的共同选择，并提出了一个新的贝叶斯模型选择的核函数选择，旨在创建一个拟合精度，泛化和模型简约之间的平衡。计算方面通过拉普拉斯近似和采样技术，提供详细的算法和策略。数值和实验的例子来证明所提出的框架的准确性和鲁棒性。因此，指数-三角协方差函数的特点和理由的基础上贝叶斯模型选择方法和响应差异的样本自相关函数的观察。
2022-11-01 stat.AP
Disentangling Spatial and Structural Drivers of Housing Prices through Bayesian Networks: A Case Study of Madrid, Barcelona, and Valencia
本文利用逾18万条地理参考房源数据构建离散贝叶斯网络，揭示马德里、巴塞罗那和瓦伦西亚房价形成中空间、结构与类型因素的城市差异。
2025-06-11 stat.AP
Hierarchical sparse Bayesian learning for structural health monitoring with incomplete modal data
对于土木结构，由于地震等严重荷载事件或由于长期环境退化而导致的结构损坏通常发生在结构的局部区域。提出了一种新的稀疏贝叶斯概率框架，用于计算由损伤引起的局部刚度降低的概率，该框架使用可能损伤之前和之后的噪声不完整模态数据。该方法将结构的系统模态参数作为贝叶斯模型修正的附加变量，并在不完全模态数据的情况下进行修正。一个特定的分层贝叶斯模型的构建，促进空间稀疏的推断刚度减少的方式是一致的贝叶斯奥卡姆剃刀。为了获得最合理的模型稀疏刚度减少连同其不确定性在一个指定的类别的模型，该方法采用的优化方案，迭代之间的所有不确定的参数，包括分层超参数。该方法有四个重要的好处：（1）它推断空间稀疏的刚度变化的基础上确定的模态参数;（2）在推断的刚度降低的不确定性是量化的;（3）不需要匹配的模型和实验模式，和（4）解决非线性特征值问题的结构模型是不需要的。所提出的方法适用于两个先前研究的例子，使用模拟数据：一个10层的剪切建设和三维支撑框架模型，从第二阶段模拟基准问题主办的IASC-ASCE工作组对结构健康监测。结果表明，在建模误差的存在下，损伤检测的误报和漏报现象明显减少。此外，确定的最可能的刚度损失比接近其实际值。
2014-08-16 stat.AP
Bayesian joint modeling of longitudinal patient-reported outcomes and survival: an application to chronic obstructive pulmonary disease
Basque Center for Applied Mathematics BCAM（巴斯克应用数学中心）；University of the Basque Country UPV/EHU（巴斯克大学）；MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单位）；IE University（IE大学）
提出贝叶斯联合模型，结合β-二项与Weibull子模型，同时估计纵向PROs与生存，减少偏差，在543名慢阻肺患者中识别更多关联并提供动态预测。
2026-09-25 stat.AP
Bayesian Optimization for Dose Finding with Two Agents: Participant Allocation and Final Selection
University of Rochester（罗切斯特大学）
本研究提出约束知识梯度（cKG）规则用于双药物剂量探索，通过高斯过程建模和单队列前瞻优化受试者分配与最终选择，在合成场景中相比现有方法在疗效上更优，但需权衡毒性风险。
2026-10-08 stat.AP
High-dimensional Array Bayesian Screening Based on Distributions with Structural Zeroes
提出一种基于 Tweedie 模型的快速精确贝叶斯筛选方法，用于从含结构性零值的高维生物医学数据中识别值得后续研究的特征，并在单细胞差异表达分析中验证有效。
2025-03-17 stat.AP
A Full Bayesian Model to Handle Structural Ones and Missingness in Economic Evaluations from Individual-Level Data
根据个人数据进行经济评价是技术评估过程的一个重要组成部分，目的是为资源分配决定提供信息。这些分析中的一个关键问题是，有效性和成本数据通常都存在一定的复杂性（如非正态性、峰值和缺失），应使用适当的方法加以解决。然而，在常规分析中，通常使用简单的标准化方法，可能导致有偏见的推论。我们提出了一个通用的贝叶斯框架，可以处理的复杂性。我们展示了使用我们的方法的好处，一个激励的例子，MenSS试验，其中有尖峰在一个有效性和缺失的两个结果。我们对比了一组日益复杂的模型，并进行了敏感性分析，以评估结论对一系列合理缺失假设的稳健性。本文强调了采用综合建模方法进行经济评估的重要性，以及在贝叶斯框架内构建这些复杂模型的战略优势。
2018-01-30 stat.AP
Hierarchical Bayesian model updating using Dirichlet process mixtures for structural damage localization
The University of Tokyo（东京大学）
本文提出一种基于狄利克雷过程混合的分层贝叶斯模型更新方法，用于结构损伤定位，通过非参数贝叶斯模型实现损伤状态分类，提升FE模型更新的鲁棒性与准确性。
2026-04-24 stat.AP
Bayesian Learning of Clinically Meaningful Sepsis Phenotypes in Northern Tanzania
针对脓毒症异质亚型的临床解释需求，提出贝叶斯聚类方法CLAMR以明确建模聚类中心的医学意义，通过特征影响检验识别相关特征，并对坦桑尼亚莫希年轻且HIV感染率高的脓毒症患者进行聚类研究。
2025-02-11 stat.AP
Structural Under-Representation of Women in News: Nonparametric Bayesian Mixtures Capture Time-Dependent Dynamics
National Institute of Informatics (NII)（日本情报理工学院）
采用时间依赖贝叶斯混合模型分析加拿大新闻数据，揭示女性引述比例在所有主题和地区中均存在结构性低代表性，且超过85%的时间序列未见改善。
2026-06-09 stat.AP
Bayesian latent time joint mixed effect models for multicohort longitudinal data
从无病到终末期的长期疾病动力学的表征对于理解帕金森病和阿尔茨海默病等神经退行性疾病的过程以及最终如何最好地进行干预是不可或缺的。自然史研究通常在疾病的不同阶段招募多个队列，并在相对较短的时间内纵向跟踪。我们提出了一个潜在的时间联合混合效应模型来描述长期的疾病动态，使用这个短期的数据。提出了用于估计、模型选择和推断的马尔可夫链蒙特卡罗方法。我们将该模型应用于详细的模拟研究和阿尔茨海默病神经成像倡议的数据。
2018-01-10 stat.AP stat.ME
Data-Driven Uncertainty Quantification and Propagation in Structural Dynamics through a Hierarchical Bayesian Framework
在存在建模误差的情况下，主流贝叶斯方法通常低估了参数的固有变异性，因此很少对不确定性进行真实的描述。这个问题不是由于贝叶斯框架中的任何误解，因为它相对于建模假设和观察到的数据是绝对鲁棒的。相反，这个问题的根源在于用户无法开发适当的概率模型。本文弥合了这一重大差距，引入了一种新的贝叶斯分层设置，打破了时间历史的振动响应到几个部分，以捕捉和识别多个部分的推断参数的变异性。由于计算的后验分布在分层模型是昂贵和繁琐的，新的边缘化策略，渐近近似，和最大后验估计提出和概述的计算算法，旨在处理不确定性量化和传播任务。首次通过近似估计刻画了总体协方差阵与超分布参数之间的联系。实验和数值例子来说明所提出的方法的有效性和效率。据观察，当段对应于各种系统条件和输入特性，所提出的方法提供了强大的参数不确定性，如环境条件，输入特性和环境因素的未知现象。
2019-12-06 stat.AP
Bayesian subcohort selection for longitudinal covariate measurements in follow-up studies
针对随访研究中资金受限下的纵向协变量测量规划，提出利用既往数据的贝叶斯最优子队列序贯选择准则，并在模拟与真实数据中验证其相较随机抽样可提高生存模型协变量效应估计精度。
2016-09-06 stat.ME
Bayesian Covariate-Dependent Circadian Modeling of Rest-Activity Rhythms
本文提出一种贝叶斯协变量依赖昼夜节律模型，通过l_1球投影先验实现稀疏建模，用于分析可穿戴设备活动数据并揭示影响静息-活动节律的复杂因素。
2025-02-05 stat.AP stat.ME
Bayesian semi-parametric G-computation for causal inference in a cohort study with MNAR dropout and death
用观测的纵向数据和随时间变化的暴露量进行因果推断常常由于时间依赖的混杂和损耗而变得复杂。G计算公式是估计这种情况下因果效应的一种方法。在实践中通常使用的参数建模方法依赖于强建模假设来进行有效推断，并且还依赖于随机缺失的假设，当缺失是非随机缺失（MNAR）或由于死亡而缺失时，这是不合适的。在这项工作中，我们开发了一个灵活的贝叶斯半参数G-计算方法，用于评估的因果关系的影响，将生存的亚群，无论暴露，在设置MNAR辍学。该方法是使用贝叶斯加性回归树为观测数据指定模型，然后使用嵌入敏感性参数的假设来识别和估计因果效应。所提出的方法是出于对认知，健康和老龄化的纵向队列研究，我们应用我们的方法来研究成为寡妇对记忆的影响。我们还将我们的方法与几种标准方法进行了比较。
2020-10-12 stat.AP
AutoPrognosis: Automated Clinical Prognostic Modeling via Bayesian Optimization with Structured Kernel Learning
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Alan Turing Institute（艾伦·图灵研究所）
从大规模医疗数据中获得的临床预后模型可以为关键的诊断和治疗决策提供信息。为了使机器学习（ML）在预后研究中的离线使用成为可能，我们开发了AUTOPROGNOSIS：一种用于自动设计为临床预后量身定制的预测建模管道的系统。AUTOPROGNOSIS使用一种新的批处理贝叶斯优化（BO）算法有效地优化了管道配置的集合，该算法在BO过程的同时学习管道高维超参数空间的低维分解。这是通过将管道性能建模为具有高斯过程先验的黑盒函数，并通过具有Dirichlet先验的稀疏加性核来建模管道基线算法之间的相似性来实现的。元学习用于通过使用模拟经验贝叶斯方法的算法校准先验来用来自类似患者队列的外部数据暖启动BO。该系统通过向临床医生提供逻辑关联规则来自动解释其预测，这些规则将患者特征与预测的风险层联系起来。我们使用10个代表心血管患者护理各个方面的主要患者队列来证明AUTOPROGNOSIS的效用。
2018-02-20 cs.LG stat.ML
A stratified age-period-cohort model for spatial heterogeneity in all-cause mortality
人口统计率建模的一个共同目标是比较两个或多个组。例如，比较男女之间或地理区域之间的死亡率可能会发现健康不平等。一种流行的全因死亡率以及特定疾病（如癌症）发病率的模型是年龄期队列（APC）模型。将此模型扩展到多变量设置并不简单，因为单变量APC模型存在众所周知的可识别性问题。APC模型通常分别适合每个阶层，然后进行事后比较。本文介绍了一个分层APC模型，直接评估死亡率异质性的来源，使用贝叶斯分层模型与矩阵正态先验，共享信息的线性和非线性方面的APC效应跨层。计算，模型选择，和事先规范的解决和模型，然后应用于全因死亡率数据从欧盟。
2018-06-07 stat.ME
Bayesian Network Enhanced with Structural Reliability Methods: Methodology
我们结合贝叶斯网络（BN）和结构可靠性方法（SRMs）创建一个新的计算框架，称为增强贝叶斯网络（eBN），工程结构和基础设施的可靠性和风险分析。贝叶斯网络是有效的表示和评估复杂的概率依赖结构，目前在基础设施和结构系统，他们促进贝叶斯更新的模型时，新的信息变得可用。另一方面，SRM能够准确评估由计算要求高的基于物理的模型表示的罕见事件的概率。通过结合这两种方法，eBN框架提供了一个统一的和强大的工具，有效地计算在复杂的结构和基础设施系统中，信息随时间演变的罕见事件的概率。通过几个概念性的例子来描述建模和有效地分析eBN的策略。配套文件适用于eBN方法的例子结构和基础设施系统。
2012-03-27 stat.AP stat.ME stat.ML
A new algorithm for structural restrictions in Bayesian vector autoregressions
一个全面的方法推理向量自回归（VAR）使用符号和其他结构的限制。简化形式的VAR扰动由几个公共因素驱动，结构识别约束可以以参数约束的形式并入其载荷中。吉布斯采样器推导出，允许简化形式的参数和结构的限制，有效地在一个步骤中进行采样。所提出的方法的一个关键好处是，它允许治疗参数估计和结构推理作为一个联合问题。另一个好处是，该方法可以扩展到具有多个冲击的大型VAR，并且可以扩展到适应非线性，不对称和许多其他有趣的经验特征。使用合成数据实验，并通过使用基于符号限制的识别重新审视金融因素在经济波动中的作用，探索新的推理算法的优良性能。
2022-06-14 econ.EM stat.AP
Bayesian System Identification based on Hierarchical Sparse Bayesian Learning and Gibbs Sampling with Application to Structural Damage Assessment
本文的重点是贝叶斯系统识别噪声不完整的模态数据的基础上，我们可以在更新结构模型时施加空间稀疏刚度的变化。为此，基于我们以前的工作类似的层次稀疏贝叶斯学习模型，我们提出了两个吉布斯抽样算法。这两种算法处理方程误差精度参数后验不确定性的策略不同，但都是从结构刚度参数和系统模态参数的条件后验概率密度函数（PDF）中采样。吉布斯抽样的有效维数较低，因为迭代采样仅从对应于三个参数组的三个条件后验PDF中完成，同时从其中一个算法中的另一个条件后验PDF中对方程误差精度参数进行采样，其中方程误差精度参数未被整合为“滋扰”参数。从计算的角度来看，一个很好的特点是，它是没有必要解决一个结构模型的非线性特征值问题。所提出的算法的有效性和鲁棒性说明将它们应用到IASE ASCE第二阶段的模拟和实验基准研究。我们的目标是使用不完整的模态数据识别之前和之后可能的损害，以检测和评估空间稀疏的刚度降低引起的任何损害。我们过去和现在的重点是满足所产生的挑战，从贝叶斯推断的结构刚度服务，以加强基于振动的结构系统识别的能力，但我们的方法也有更广泛的适用性，在科学和技术的逆问题，系统矩阵是从噪声的部分信息推断其特征量。
2017-01-13 stat.AP stat.ME stat.ML
Value of information from vibration-based structural health monitoring extracted via Bayesian model updating
量化从结构健康监测（SHM）系统中提取的信息的价值是说服决策者实施这些系统的重要一步。我们量化这个值的贝叶斯决策分析框架的适应。与以往的工作相比，我们详细的模型的数据生成到处理，模型更新和可靠度计算的整个过程，并调查它在一个日益恶化的桥梁系统。该框架假设动态响应数据是以顺序的方式从部署的加速度计中获得的，随后通过仅输出的操作模态分析方案进行处理，以识别系统的模态特性。我们采用了经典的贝叶斯模型更新方法，顺序学习的恶化和估计的结构损伤随时间的演变。这将导致连续更新的结构可靠性，这构成了前验贝叶斯决策分析的基础。替代行动的定义和一个基于进化论的方法是采用生命周期优化。通过解决前验贝叶斯决策分析，人们能够量化长期SHM振动数据的可用性的好处。数值研究表明，该框架可以提供定量的措施，在特定的决策背景下的SHM系统的最优性。
2021-03-12 cs.SY eess.SY stat.AP
A Bayesian Integrative Mixed Modeling Framework for Analysis of the Adolescent Brain and Cognitive Development Study
扩展贝叶斯整合分析与预测（BIP）框架提出BIPmixed，通过结合2级嵌套随机效应实现特征选择与结果建模，有效整合多视图数据并应用于ABCD研究。
2025-01-29 stat.AP stat.ME
A Bayesian semi-parametric approach for inference on the population partly conditional mean from longitudinal data with dropout
使用纵向数据的记忆轨迹研究，由于选择性的研究招募和流失，通常会导致高度非代表性的样本。另一个偏差来自练习效果，由于熟悉测试内容或上下文，练习效果会提高或保持成绩。这些挑战可能会使研究结果产生偏差，并严重扭曲对目标人群进行概括的能力。在这项研究中，我们提出了一种方法来估计有限的人口平均值的纵向结果条件是活着在一个特定的时间点。我们开发了一个灵活的贝叶斯半参数预测估计人口推断时，纵向辅助信息是已知的目标人群。我们评估结果的敏感性，不可检验的假设，并进一步比较我们的方法用于人口推断的模拟研究中的其他方法。所提出的方法的动机是15年的纵向数据从桦纵向队列研究。我们应用我们的方法来估计情景记忆中的寿命轨迹，目的是将研究结果推广到目标人群。
2021-03-22 stat.AP stat.ME
Bayesian Variable Selection for High-Dimensional Predictors with Missing Psychometric Outcomes
Vanderbilt University Medical Center（范德堡大学医学中心）；University of California, Riverside（加州大学河滨分校）
针对心理测量中高维多模态预测变量与缺失多变量结果，提出SHIM贝叶斯框架，结合层次马蹄收缩与缺失结果处理，模拟验证平衡灵敏度与假阳性，并应用于阿尔茨海默病队列。R包shim已公开。
2026-09-11 stat.AP stat.ME
Bayesian Structural Model Updating with Multimodal Variational Autoencoder
The University of Tokyo（东京大学）
本研究提出基于多模态VAE代理单模态编码器的贝叶斯结构模型更新框架，可处理少观测下的似然近似与高维相关观测，经测试在保证精度的同时比原始VAE计算效率更高。
2024-06-20 cs.LG stat.AP stat.ML
Hierarchical sparse Bayesian learning: theory and application for inferring structural damage from incomplete modal data
由于过度载荷或环境退化而造成的结构损坏通常发生在没有倒塌的局部区域。利用这种先验信息的空间稀疏的结构损伤的层次稀疏贝叶斯学习框架的目标是减少源的病态的刚度损失反演问题的损伤检测。稀疏贝叶斯学习方法自动从一组潜在的候选者中修剪掉不相关或不活动的特征，因此它们是用于产生稀疏解释子集的有效概率工具。我们以前已经提出了这样一种方法来建立局部刚度降低的概率，作为一个代理的损害，通过使用噪声不完整的模态数据之前和之后可能的损害。核心思想集中在一个特定的分层贝叶斯模型，促进空间稀疏的推断刚度减少的方式是一致的贝叶斯奥卡姆剃刀。在本文中，我们改进了我们以前提出的稀疏贝叶斯学习方法的理论，消除了近似，更重要的是，纳入了对刚度增加的约束。我们的方法有许多吸引人的功能，总结在本文的最后。我们验证的方法，将其应用到第二阶段的模拟和实验基准研究主办的IASC-ASCE工作组的结构健康监测。结果表明，该方法可以通过识别出的模态参数推断出结构的刚度损失，从而可靠地检测、定位和评估结构的损伤。有效地抑制了遗漏和错误损坏警报的发生。
2015-03-21 stat.AP stat.ME stat.ML
Bayesian Modeling of Multiple Structural Connectivity Networks During the Progression of Alzheimer's Disease
阿尔茨海默病是最常见的神经退行性疾病。本研究的目的是使用皮质厚度测量来推断疾病进展导致的大脑连接的结构变化，这些测量来自一组健康对照组，或轻度认知障碍，或阿尔茨海默病患者。为此，我们开发了一种新的方法来推断多个网络的相关边缘值跨组。具体来说，我们推断一个高斯图形模型的联合框架内，每个组，我们依靠贝叶斯分层先验链接的精度矩阵条目组。我们的建议不同于现有的方法，因为它灵活地学习哪些组具有最相似的边缘值，并在跨组共享信息时考虑连接的强度（而不仅仅是边缘存在或不存在）。我们的研究结果确定了结构连接的关键改变，这可能反映了对健康大脑的破坏，例如随着疾病严重程度的增加，枕叶内的连接减少。我们还说明了所提出的方法，通过模拟，在那里我们证明了其性能的结构学习和精度矩阵估计的替代方法。
2020-01-15 stat.AP stat.ME
A nutritionally informed model for Bayesian variable selection with metabolite response variables
本文提出基于偏正态删失混合模型和马尔可夫随机场先验的贝叶斯变量选择框架，用于高维代谢组学中识别饮食与代谢物关联，并在队列数据中发现多个已知及潜在新关联。
2025-09-08 stat.ME
Bayesian Structural Equation Modeling in Multiple Omics Data Integration with Application to Circadian Genes
众所周知，不同数据源之间的整合是可靠的，因为它有可能揭示在单一来源分析中可能处于休眠状态的基因组表达的新功能。此外，不同的研究证明了对多平台数据进行更强大的分析的合理性。为此，在这项研究中，我们考虑了昼夜节律基因的组学特征，如拷贝数变化和RNA序列数据以及它们的生存反应。我们开发了一种贝叶斯结构方程模型，结合线性回归和对数正态加速失效时间回归，以整合这两个平台之间的信息来预测受试者的生存。我们把共轭先验的回归参数，并推导出吉布斯抽样使用它们的条件分布。我们广泛的模拟研究表明，综合模型提供了一个更好的适合的数据比其最接近的竞争对手。对来自最大的基因组学和转录组学数据库TCGA的胶质母细胞瘤癌症数据和乳腺癌数据的分析支持了我们的发现。所开发的方法被封装在R CRAN提供的R包semmcmc中。
2021-12-06 stat.AP stat.ME
Analysis of zero inflated dichotomous variables from a Bayesian perspective: Application to occupational health
这项工作提出了一种新的方法来适应零膨胀的伯努利数据从贝叶斯方法，能够区分两个潜在的零源（结构和非结构）。它的用法是通过职业健康领域的一个真实的例子来说明的，即疾病出勤现象，在这种情况下，有理由认为有些人永远不会有患病的风险，因为他们在学习期间没有生病（结构零）。如果不将结构性和非结构性零点分开，人们将共同研究一般健康状况和出勤率本身，因此获得可能有偏见的估计数，因为通过将其稀释到一般健康状况中，这种现象被隐含地低估了。所提出的方法的性能进行了评估，通过全面的模拟研究，它已被编译为R包免费提供给社会。
2021-05-03 stat.AP stat.CO stat.ME
Pathway-based Bayesian factor models for 'omics data
Duke University（杜克大学）；Duke University School of Medicine（杜克大学医学院）
本文提出BASIL模型，通过整合注释基因集提升转录组数据解释性，利用预训练方法高效估计协方差并量化不确定性，揭示发热全局转录组中可解释的宿主响应模块。
2026-03-23 stat.AP stat.ME
Structural Refinement of Bayesian Networks for Efficient Model Parameterisation
Department of Statistics, University of Warwick（沃里克大学统计系）
针对贝叶斯网络参数化中数据稀缺、CPT参数过多的问题，本文综述了多种结构精化近似方法，分析其特性要求，通过心血管风险评估模型实例评估，并给出方法选择的实用指导。
2025-09-30 cs.AI cs.LG stat.AP
A Novel Framework for Analyzing Structural Transformation in Data-Constrained Economies Using Bayesian Modeling and Machine Learning
针对中低收入国家数据稀缺难以准确评估结构转型的问题，提出整合贝叶斯层次建模、机器学习数据插补与因子分析的框架，经模拟验证在60%数据缺失时仍可预测结构变化，为相关决策提供工具。
2024-09-25 stat.AP stat.CO stat.ML
blavaan: Bayesian structural equation models via parameter expansion
本文介绍了blavaan，这是一个R软件包，用于通过JAGS估计贝叶斯结构方程模型（SEM）并总结结果。它还描述了一种新的参数扩展方法，用于估计具有残差协方差的特定类型的模型，这有助于在JAGS中估计这些模型。该方法和软件的目的是为用户提供一个一般的方法来估计贝叶斯SEM，经典和新颖的，在一个简单的方式。用户可以使用lavaan语法估计经典SEM的贝叶斯版本，他们可以获得与模型相关的最先进的贝叶斯拟合度量，并且他们可以导出JAGS代码以根据需要修改SEM。这些功能和更多的例子说明，并详细说明了参数扩展的方法。
2016-11-17 stat.CO
Robust Bayesian compressive sensing with data loss recovery for structural health monitoring signals
将压缩传感技术应用于结构健康监测是一个新兴的研究课题。CS中的基本思想是使用专门设计的无线传感器以压缩形式直接对在某些基（例如小波基）上稀疏的信号进行采样，然后在传输到中央处理单元之后使用某种反演算法精确地重构（重构）这些信号。然而，在结构健康监测中，大多数信号只是近似稀疏的，即在某些基中只有相对较少的信号系数是重要的，但其他系数通常不完全为零。在这种情况下，不期望从压缩测量进行完美重构。提出了一种新的贝叶斯CS算法，其中不确定参数的鲁棒处理进行了探索，包括集成的预测误差精度参数，以消除它作为一个“讨厌的”参数。新的CS算法的性能进行了研究，使用安装在空间框架结构和斜拉桥上的加速度计的压缩数据。与其他国家的最先进的CS方法，包括我们以前发表的贝叶斯方法，使用MAP（最大后验概率）估计的预测误差精度参数相比，新算法表现出优越的性能，重建的鲁棒性和后验不确定性量化。此外，我们的方法可以用于恢复丢失的数据在无线传输过程中，无论在信号的稀疏程度。
2015-03-28 stat.AP stat.CO stat.ML
AAA: Triple-adaptive Bayesian designs for the identification of optimal dose combinations in dual-agent dose-finding trials
我们提出了一个灵活的设计，用于确定最佳剂量组合的双剂剂量探索临床试验。该设计被称为AAA，代表三种适应：自适应模型选择、自适应剂量插入和自适应队列划分。适应性突出的需要和机会，创新的双剂剂量发现，并支持在拟议的模拟研究中提出的数值结果。据我们所知，这是第一个同时允许所有三种适应的设计。我们发现AAA改善了统计推断，提高了找到最佳剂量组合的机会，并缩短了试验持续时间。正在计划一项临床试验以应用AAA设计。
2017-06-10 stat.ME
